5.1 模型融合目标（学习心得）

对stacking有非常轻微的了解，在这个过程中对我来说更多的是去了解这个过程，14天的时间限制下强迫自己快速看完了几个库的基本用法，这次结束后得去补笔记了，很高兴有机会逼一下自己。谈不上学习。自己要走的路还很长，但是腿更长！

5.1 模型融合目标

对于多种调参完成的模型进行模型融合。

完成对于多种模型的融合，提交融合结果并打卡。

5.2 内容介绍

模型融合是比赛后期一个重要的环节，大体来说有如下的类型方式。

简单加权融合:

    回归（分类概率）：算术平均融合（Arithmetic mean），几何平均融合（Geometric mean）；

    分类：投票（Voting)

    综合：排序融合(Rank averaging)，log融合

stacking/blending:
    构建多层模型，并利用预测结果再拟合预测。

boosting/bagging（在xgboost，Adaboost,GBDT中已经用到）:
    多树的提升方法

5.3 Stacking相关理论介绍

1. 什么是 stacking

简单来说 stacking 就是当用初始训练数据学习出若干个基学习器后，将这几个学习器的预测结果作为新的训练集，来学习一个新的学习器。

将个体学习器结合在一起的时候使用的方法叫做结合策略。对于分类问题，我们可以使用投票法来选择输出最多的类。对于回归问题，我们可以将分类器输出的结果求平均值。

上面说的投票法和平均法都是很有效的结合策略，还有一种结合策略是使用另外一个机器学习算法来将